随着大量波动性、冲击性及非线性等负载接入到现代电网中,电网电能质量问题日益突出。为了有效地提高电能质量,首先需要对电能质量扰动起止时刻进行快速定位并准确地检测出电能质量扰动的瞬时参数,进而可以识别出各种电能质量扰动的类型并采用相应治理措施。本文主要对电能质量扰动进行检测和分类研究。首先,针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)中EMD存在的端点效应及虚假分量等问题,采用LCD方法对其改进,并提出一种基于互补自适应噪声的集总LCD分解(Ensemble LCD with Complementary Adaptive Noise,ELCDCAN)的LCD模态混叠抑制方法,仿真实验验证了该方法通过添加正负白噪声对,在集总次数较少时,能有效减少残余噪声,提高分解速度并保证分量的准确度。针对HHT中Hilbert变换在单分量信号瞬时特征参数解调过程中存在能量泄漏、解调结果误差大等问题,采用经验AM-FM分解(Empirical AM-FM Decomposition,EAM-FMD)对其进行改进,单分量信号解调实验结果验证了EAM-FMD方法的优越性。然后,提出一种基于ELCDCAN和EAM-FMD的电能质量扰动检测方法。通过仿真实验验证了所提方法在暂态电能质量扰动(整周期及非整周期)起止时刻定位、谐波间谐波分量(稳态和时变)瞬时参数提取、多频电压闪变包络提取以及复合扰动检测等方面的可行性。针对ELCDCAN对高频暂态扰动去噪不彻底问题,提出一种ELCDCAN结合小波软阈值去噪的去噪方法,通过SNR等参数验证了该方法具有较好的去噪效果。通过煤矿电网实测电流谐波数据验证了本文方法在电能质量扰动检测工程应用中的有效性。最后,提出一种基于多特征量组合结合人工蜂群算法(Artificial Bee Colony,ABC)优化支持向量机(Support Vector Machine,SVM)的电能质量扰动分类方法。特征量基于电能质量扰动的幅值、频率及经ELCDCAN分解的第一个分量的幅值、能量等进行提取。针对传统SVM模型中惩罚因子及核参数需要人为经验设定的缺陷,本文采用ABC对SVM模型进行优化,进而确定出最优参数组合。通过与GA-SVM、PSO-SVM在参数寻优耗时及单一扰动分类正确率进行对比,统计结果表明ABC-SVM优于另外两种方法。同时在SNR=20/30/40/50dB噪声环境下验证了ABC-SVM对单一及双重电能质量扰动分类识别具有较高的正确率。